- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有一个 dtype = object 的 numpy 数组,其中包含多个其他元素数组,我需要将其转换为稀疏矩阵。
例如:
a = np.array([np.array([1,0,2]),np.array([1,3])])
array([array([1, 0, 2]), array([1, 3])], dtype=object)
我已经尝试过 Convert numpy object array to sparse matrix 给出的解决方案但没有成功。
In [45]: M=sparse.coo_matrix(a)
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-45-d75020bb3a38> in <module>()
----> 1 M=sparse.coo_matrix(a)
/home/arturcastiel/.local/lib/python3.6/site-packages/scipy/sparse/coo.py in __init__(self, arg1, shape, dtype, copy)
183 self._shape = check_shape(M.shape)
184
--> 185 self.row, self.col = M.nonzero()
186 self.data = M[self.row, self.col]
187 self.has_canonical_format = True
ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()
正如评论中所解释的,这实际上是一个锯齿状数组。本质上,这个数组代表一个图,我必须将其转换为稀疏矩阵,以便我可以使用 scipy.sparse.csgraph.shortest_path 例程。
因此,
np.array([np.array([1,0,2]),np.array([1,3])])
应该变成这样的东西:
(1,1) 1
(1,2) 0
(1,3) 2
(2,1) 1
(2,2) 3
最佳答案
你不能。当它尝试查找 a
的非零元素时,会出现此错误。稀疏矩阵仅存储矩阵的非零元素。尝试一下
np.nonzero(a)
如果你的数组包含列表而不是数组,它会起作用 - 有点:
In [615]: a = np.array([[1,0,1],[1,3]])
In [616]: np.nonzero(a)
Out[616]: (array([0, 1]),)
In [618]: sparse.coo_matrix(a)
Out[618]:
<1x2 sparse matrix of type '<class 'numpy.object_'>'
with 2 stored elements in COOrdinate format>
In [619]: print(_)
(0, 0) [1, 0, 1]
(0, 1) [1, 3]
请注意,这是一个 (1,2) 形状的数组,有 2 个非零元素,这两个元素都是原始数组(对象)。
但是coo
格式几乎没有处理。例如,它不能转换为 csr
进行计算:
In [622]: _618.tocsr()
---------------------------------------------------------------------------
TypeError: no supported conversion for types: (dtype('O'),)
如果数组不是锯齿状的,它可以制成一个有用的稀疏矩阵:
In [623]: a = np.array([[1,0,1],[1,3,0]])
In [624]: a
Out[624]:
array([[1, 0, 1],
[1, 3, 0]])
In [626]: sparse.coo_matrix(a)
Out[626]:
<2x3 sparse matrix of type '<class 'numpy.int64'>'
with 4 stored elements in COOrdinate format>
In [628]: print(_)
(0, 0) 1
(0, 2) 1
(1, 0) 1
(1, 1) 3
请注意,0 值已被省略。在大型有用的稀疏矩阵中,90% 以上的元素为零。
===
这是一种从数组数组构造稀疏矩阵的方法。我根据 a
中的各个数组构建 coo
格式矩阵的 row,col,data
属性。
In [630]: a = np.array([np.array([1,0,1]),np.array([1,3])])
In [631]: row, col, data = [],[],[]
In [632]: for i,n in enumerate(a):
...: row.extend([i]*len(n))
...: col.extend(np.arange(len(n)))
...: data.extend(n)
...:
In [633]: row,col,data
Out[633]: ([0, 0, 0, 1, 1], [0, 1, 2, 0, 1], [1, 0, 1, 1, 3])
In [634]: M = sparse.coo_matrix((data, (row,col)))
In [635]: M
Out[635]:
<2x3 sparse matrix of type '<class 'numpy.int64'>'
with 5 stored elements in COOrdinate format>
In [636]: print(M)
(0, 0) 1
(0, 1) 0
(0, 2) 1
(1, 0) 1
(1, 1) 3
In [637]: M.A
Out[637]:
array([[1, 0, 1],
[1, 3, 0]])
另一种方法是填充a
以创建一个二维数值数组,并从中创建稀疏数组。之前曾提出过填充锯齿状列表/数组的问题,并提出了各种解决方案。这是更容易记住和使用的方法之一:
In [658]: alist = list(zip(*(itertools.zip_longest(*a,fillvalue=0))))
In [659]: alist
Out[659]: [(1, 0, 1), (1, 3, 0)]
In [661]: sparse.coo_matrix(alist)
Out[661]:
<2x3 sparse matrix of type '<class 'numpy.int64'>'
with 4 stored elements in COOrdinate format>
In [662]: _.A
Out[662]:
array([[1, 0, 1],
[1, 3, 0]])
关于python - 如何将 numpy 数组 dtype=object 转换为稀疏矩阵?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/55870212/
作为脚本的输出,我有 numpy masked array和标准numpy array .如何在运行脚本时轻松检查数组是否为掩码(具有 data 、 mask 属性)? 最佳答案 您可以通过 isin
我的问题 假设我有 a = np.array([ np.array([1,2]), np.array([3,4]), np.array([5,6]), np.array([7,8]), np.arra
numpy 是否有用于矩阵模幂运算的内置实现? (正如 user2357112 所指出的,我实际上是在寻找元素明智的模块化减少) 对常规数字进行模幂运算的一种方法是使用平方求幂 (https://en
我已经在 Numpy 中实现了这个梯度下降: def gradientDescent(X, y, theta, alpha, iterations): m = len(y) for i
我有一个使用 Numpy 在 CentOS7 上运行的项目。 问题是安装此依赖项需要花费大量时间。 因此,我尝试 yum install pip install 之前的 numpy 库它。 所以我跑:
处理我想要旋转的数据。请注意,我仅限于 numpy,无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
numpy.random.seed(7) 在不同的机器学习和数据分析教程中,我看到这个种子集有不同的数字。选择特定的种子编号真的有区别吗?或者任何数字都可以吗?选择种子数的目标是相同实验的可重复性。
我需要读取存储在内存映射文件中的巨大 numpy 数组的部分内容,处理数据并对数组的另一部分重复。整个 numpy 数组占用大约 50 GB,我的机器有 8 GB RAM。 我最初使用 numpy.m
处理我想要旋转的数据。请注意,我仅限于 numpy,无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
似乎 numpy.empty() 可以做的任何事情都可以使用 numpy.ndarray() 轻松完成,例如: >>> np.empty(shape=(2, 2), dtype=np.dtype('d
我在大型 numpy 数组中有许多不同的形式,我想使用 numpy 和 scipy 计算它们之间的边到边欧氏距离。 注意:我进行了搜索,这与堆栈中之前的其他问题不同,因为我想获得数组中标记 block
我有一个大小为 (2x3) 的 numpy 对象数组。我们称之为M1。在M1中有6个numpy数组。M1 给定行中的数组形状相同,但与 M1 任何其他行中的数组形状不同。 也就是说, M1 = [ [
如何使用爱因斯坦表示法编写以下点积? import numpy as np LHS = np.ones((5,20,2)) RHS = np.ones((20,2)) np.sum([ np.
假设我有 np.array of a = [0, 1, 1, 0, 0, 1] 和 b = [1, 1, 0, 0, 0, 1] 我想要一个新矩阵 c 使得如果 a[i] = 0 和 b[i] = 0
我有一个形状为 (32,5) 的 numpy 数组 batch。批处理的每个元素都包含一个 numpy 数组 batch_elem = [s,_,_,_,_] 其中 s = [img,val1,val
尝试为基于文本的多标签分类问题训练单层神经网络。 model= Sequential() model.add(Dense(20, input_dim=400, kernel_initializer='
首先是一个简单的例子 import numpy as np a = np.ones((2,2)) b = 2*np.ones((2,2)) c = 3*np.ones((2,2)) d = 4*np.
我正在尝试平均二维 numpy 数组。所以,我使用了 numpy.mean 但结果是空数组。 import numpy as np ws1 = np.array(ws1) ws1_I8 = np.ar
import numpy as np x = np.array([[1,2 ,3], [9,8,7]]) y = np.array([[2,1 ,0], [1,0,2]]) x[y] 预期输出: ar
我有两个数组 A (4000,4000),其中只有对角线填充了数据,而 B (4000,5) 填充了数据。有没有比 numpy.dot(a,b) 函数更快的方法来乘(点)这些数组? 到目前为止,我发现
我是一名优秀的程序员,十分优秀!